Elysia Tools

在一个清晰的工作台里浏览工具、案例、可视化和主题指南。

热门分类

专题

语言
ZHDERUPTENFRES

Elysia Tools

导航

Math & Numbers

统计功效计算器

· 最后更新:2026-05-04

根据样本量、显著性水平和预期效应,估算单样本均值或比例检验的统计功效

执行

运行这个工具

填写表单、运行工具,并在同一页面查看结果。

案例

与这个工具匹配的案例

相关内容

继续查看相关工具与专题

由 Elysia Tools 团队编写
数学502
Size88
Power36
假设检验6
样本量6

工具使用指南

详细了解工具的适用范围、支持能力及用户案例。

关键事实

分类
Math & Numbers
输入类型
select, number
输出类型
json
案例覆盖
4
API 可用
是

概览

统计功效计算器是一款专为研究人员和数据分析师设计的在线工具,用于快速估算单样本均值或比例检验的统计功效(Power)。通过输入样本量、显著性水平(Alpha)以及预期的效应大小(如均值差异或比例差异),该工具能自动计算出在特定条件下正确拒绝原假设的概率。无论是进行学术研究、A/B 测试还是质量控制,它都能帮助您评估实验设计是否具备足够的敏感度来检测出真实的差异,从而避免因样本量不足导致的假阴性结论。

适用场景

  • 在实验或问卷调查开始前,评估现有样本量是否足以检测出预期的差异。
  • 分析已完成的假设检验结果,判断未达到统计显著性是因为真实效应不存在,还是因为统计功效不足。
  • 在 A/B 测试设计阶段,权衡样本量、显著性水平与预期转化率差异之间的关系。

使用方式

常见用途

  • 心理学或医学研究中,评估特定受试者数量下,能否有效检测出治疗前后的指标变化。
  • 互联网产品运营中,估算当前流量规模下,A/B 测试能否准确识别出按钮点击率的微小提升。
  • 制造业质量控制中,判断抽样检测的样本量是否足够发现产品合格率低于标准值的情况。

示例

1. 评估新教学方法的测试成绩差异

教育研究员

背景

研究员希望评估一种新教学方法是否能提高学生的平均分。历史平均分为 100 分,标准差为 15 分。目前有 64 名学生参与新方法的测试。

问题

想要知道如果新方法能将平均分提高到 105 分,当前的样本量(64人)是否有足够的统计功效来检测出这一差异。

常见问题

什么是统计功效(Power)?

统计功效是指当备择假设为真时,假设检验正确拒绝原假设的概率(即 1 - β)。通常建议统计功效达到 0.8(80%)或以上,这意味着有 80% 的把握能检测出真实的差异。

均值检验和比例检验有什么区别?

均值检验用于连续型数据(如身高、测试分数),需要输入均值和标准差;比例检验用于分类数据(如转化率、合格率),只需输入预期的比例数值。

显著性水平(Alpha)如何影响统计功效?
专题

A/B 实验设计、样本量与统计功效

规划 A/B 实验、估算证据规模、选择合适检验,并在采取行动前复核效果量与不确定性。

首页
工具3212
案例593
可视化471
文件查看器103
专题239
标签333
图像、音频与视频657

图像、音频、视频处理、转换与优化工具

数学、日期与金融647

计算器、数值计算、日期逻辑、统计与金融工具

设计与颜色298

颜色、版式、图形、视觉样式与设计辅助工具

文本与写作209

写作、清洗、格式化、提取与文本分析工具

开发与 Web193

开发者工具、网络处理、Web 调试与自动化辅助工具

转换与编码175

格式、文件、压缩包、单位与编码转换工具

潜客测验发布与联系人交接
讣告、悼词与纪念卡的家属复核及交付
本地习惯记录的备份、恢复演练与分享前检查
长文改编 X 串文与 LinkedIn 帖子的事实复核与交付
Markdown 互动课件审校、离线演示与交付

© 2026 Elysia Tools. 保留所有权利。

文档价格关于我们服务条款隐私政策Cookie 政策联系我们
Java

Android Java 图像处理示例

Android Java 图像处理示例,包括图像读取保存、缩放和格式转换

Kotlin

Android Kotlin 图像处理示例

Android Kotlin 图像处理示例,包括图像读取保存、缩放和格式转换

Python

Web Python 图像处理示例

Web Python 图像处理示例,使用 PIL/Pillow 包括读取、保存、缩放和格式转换

Rust

Web Rust 图像处理示例

Web Rust 图像处理示例,包括图像读取保存、缩放和格式转换

Math & Numbers

平均值计算器

在同一处比较算术、几何和调和平均值

Math & Numbers

置信区间计算器

支持基于原始数据或汇总统计量,计算样本均值或比例的置信区间

Math & Numbers

几何平均计算器

计算正数数据集的几何平均值,适用于增长率、比例和乘法型数据

Math & Numbers

换热器 LMTD 计算器(对数平均温差法)

按对数平均温差(LMTD)法计算换热器:顺流 ΔT₁=T_h,in-T_c,in、ΔT₂=T_h,out-T_c,out;逆流 ΔT₁=T_h,in-T_c,out、ΔT₂=T_h,out-T_c,in。LMTD=(ΔT₁-ΔT₂)/ln(ΔT₁/ΔT₂),当 ΔT₁=ΔT₂ 时取 ΔT₁;若任一端差 ≤ 0 视为温度交叉(物理不可能)报错。可选填总传热系数 U(W/(m²·K))与传热面积 A(m²),则传热速率 Q=U·A·LMTD(W)。温度仅用于差值:Δ°C=ΔK,°F 差×5/9=ΔK,输出以 K 为单位。

  1. 1选择检验类型(均值差异或比例差异)并设定备择假设的方向(双侧、大于或小于)。
  2. 2输入显著性水平(通常为 0.05)和已知的样本量。
  3. 3根据检验类型,分别输入原假设与备择假设的均值及标准差,或输入原假设与备择假设的比例。
  4. 4工具将自动计算效应量(Effect Size)和统计功效(Power),并以 JSON 格式输出精确结果。

如何使用

选择“均值差异”和“双侧”检验,输入样本量 64,原假设均值 100,备择均值 105,标准差 15,显著性水平保持 0.05。

{"testType": "mean", "alternative": "two-sided", "alpha": 0.05, "sampleSize": 64, "nullMean": 100, "alternativeMean": 105, "standardDeviation": 15}

结果

计算得出统计功效约为 76.01%,效应量为 0.3333。研究员可知当前样本量略低于常规的 80% 功效标准,可能需要适当增加样本量。

2. 估算网页转化率 A/B 测试的功效

数据分析师

背景

网站当前的注册转化率为 50%(0.5)。团队计划上线一个新版页面,预期能将转化率提升至 60%(0.6)。

问题

在仅能获取 100 个测试样本的情况下,评估能否有效检测出这 10% 的转化率提升。

如何使用

选择“比例差异”和“大于”检验(单侧),输入样本量 100,原假设比例 0.5,备择比例 0.6,显著性水平设为 0.05。

{"testType": "proportion", "alternative": "greater", "alpha": 0.05, "sampleSize": 100, "nullProportion": 0.5, "alternativeProportion": 0.6}

结果

工具输出对应的统计功效和效应量。分析师可根据结果判断功效是否达标,从而决定是否需要延长测试时间以收集更多样本。

显著性水平是犯第一类错误(假阳性)的概率。提高 Alpha(例如从 0.01 提高到 0.05)会增加统计功效,但同时也会增加误判的风险,需要在两者之间进行权衡。

为什么在均值检验中需要输入标准差?

标准差反映了数据的离散程度。数据越分散,背景噪音越大,检测出真实均值差异的难度就越高。因此,标准差是计算效应量和统计功效不可或缺的参数。

计算结果中的效应量(Effect Size)代表什么?

效应量衡量了原假设与备择假设之间差异的标准化大小。它独立于样本量,直观反映了差异在实际业务或研究中的显著程度。